目标跟踪是计算机视觉中一个重要的研究领域,在智能视频监控以及人机交互等应用领域中也发挥着巨大作用。但是,受到一些内在因素(如目标姿势改变、形状改变、尺度变化)和外在因素(如光照变化、障碍物遮挡)的影响,使得设计一个鲁棒性能强、处理速度快的目标跟踪器仍然是一个值得研究的热点问题。本文主要研究基于时空信息的视频目标跟踪算法,提高目标跟踪器的鲁棒性。本文针对三方面开展研究工作:基于静止单摄像机的单目标跟踪算法、基于静止单摄像机的多目标跟踪算法以及由单目标跟踪实现多目标跟踪的框架:(1)针对视频中出现的运动目标遮挡等问题,提出了一种基于部件时空信息的目标跟踪算法。该算法将目标跟踪过程分为平移估计和尺度估计。平移估计时,将目标及其部件作为跟踪对象。自适应选择能够很好表示跟踪对象的特征,对跟踪对象及其周围区域特征的统计相关性进行建模,通过学习得到时空信息,然后利用时空信息跟踪目标及其部件。最后,通过对目标的方向、速度、颜色信息进行滑动窗口式建模,评判目标及其部件跟踪器的性能,选择最可靠的跟踪对象,根据它的位置和目标结构模型得到最终的目标中心位置。尺度估计时,在目标中心位置处构建一个多尺度目标金字塔,进而估计目标最佳尺度。本文主要贡献是提出一种方法评判跟踪器性能和一种自适应特征选择的方法以提高目标跟踪的鲁棒性。实验结果表明,提出的目标跟踪算法能够快速准确跟踪目标,较有效解决遮挡等问题。(2)以基于检测的跟踪为基础,提出了一种基于时空信息和轨迹置信的多目标跟踪算法,较有效克服漏检等问题。该算法将多目标跟踪过程分为局部关联和全局关联两部分。局部关联轨迹时,置信度较高的轨迹与当前帧的检测结果进行匹配;全局关联轨迹时,置信度较低的轨迹分别与置信度高的轨迹和当前帧中未被匹配过的检测结果进行匹配。匹配分数由联姻模型决定,本文将时空信息加入到联姻模型中,时空信息的相关性使得联姻模型更具鲁棒性,同时解决漏检等问题。另外,提出采用置信图平滑约束以及峰值旁瓣比准则衡量空间信息的可靠性。提出的多目标跟踪算法在具有挑战性的公共数据集上进行实验,实验结果显示本文算法优于很多目前较流行的算法,较有效处理漏检等问题,提高了目标跟踪器的鲁棒性。(3)多目标跟踪算法的目的就是对视频中的图像序列进行分析,计算出所有目标在每帧图像中的位置,本文提出一种由单目标跟踪实现多目标跟踪的框架,将本文的基于部件时空信息的单目标跟踪算法扩展成多目标跟踪,主要难点在于:一是判断目标是否是新的目标进入观测窗口;二是判断目标何时离开观测窗口;三是由于仅通过单目标跟踪可能无法得到完全正确的目标轨迹,故当得到整个视频序列的目标轨迹时,还需要对其进行错误轨迹的判断以及更新轨迹。受线性判别分析的启发,本文根据轨迹片段之间的差异和轨迹内部目标之间的差异定义了一种轨迹关联费用,通过其方差发现以及更新错误轨迹。实验结果显示本文提出的更新轨迹的方法能够有效发现错误轨迹并正确更新错误轨迹。